4. 数据采集体系

数据采集体系是Robotaxi数据闭环的“入口”。如果入口设计不当，后续的标注、训练、仿真和回放都会受到牵连：要么数据量巨大但价值密度极低，要么关键场景被漏采，要么因合规问题无法使用。本章围绕车端采集架构、传感器同步、数据脱敏以及触发式与全量采集策略四个核心问题展开，帮助建立一套可落地、可扩展、可审计的采集体系。

一、车端数据采集架构：从传感器到落盘的分层设计

Robotaxi车端采集架构通常分为四层：传感器层、采集接入层、预处理与缓存层、落盘与上传层。传感器层包括激光雷达、摄像头、毫米波雷达、GNSS/IMU、轮速计等；采集接入层负责时间戳对齐、数据格式统一和带宽整形；预处理层完成脱敏、压缩、抽帧和触发判断；落盘层则根据策略决定写入本地SSD还是上传云端。

架构设计的关键在于“采集不干扰主链路”。自动驾驶主链路对实时性要求极高，采集模块必须运行在独立进程或独立计算单元上，通过共享内存或零拷贝方式获取数据，避免因磁盘IO或网络抖动影响控制循环。常见做法是使用独立的采集工控机或Orin上的独立容器，并设置CPU亲和性与IO优先级。

采集配置示例（YAML）：
sensors:
  - name: front_camera
    type: camera
    topic: /cam/front/image
    rate_hz: 30
    format: h265
  - name: top_lidar
    type: lidar
    topic: /lidar/top/points
    rate_hz: 10
    format: pcd
sync:
  master: gnss_time
  tolerance_ms: 5
trigger:
  collision: true
  hard_brake: true
  takeover: true
  full_capture_ratio: 0.02
privacy:
  face_blur: true
  plate_blur: true
  gps_offset_m: 50

二、传感器同步：硬件触发与软件对齐

多传感器同步是采集质量的基础。Robotaxi上常见的同步方式有三种：硬件触发同步、PTP/gPTP网络同步、软件时间戳对齐。硬件触发通过同一触发源同时激励相机曝光和激光雷达扫描，精度可达微秒级；PTP适用于以太网连接的传感器，精度在亚微秒到微秒级；软件对齐则依赖各传感器自带时间戳和插值算法，精度较低但成本最低。

实际工程中往往采用混合方案：激光雷达与相机使用硬件触发，毫米波雷达和GNSS通过PTP同步，IMU以最高频率采样后作为参考时钟。同步误差需要被记录并写入数据元信息，供后续训练时判断是否可用。一般要求相机与激光雷达的同步误差小于5ms，否则融合标注会出现明显错位。

三、数据脱敏：合规前提下的可用性平衡

Robotaxi采集的数据包含大量人脸、车牌、地理位置等敏感信息。脱敏不是简单打码，而是要在合规、可用、可追溯三者之间取得平衡。常见脱敏对象包括：人脸、车牌、行人衣着特征、住宅门牌、GPS精确坐标。脱敏时机分为车端实时脱敏和云端离线脱敏：车端脱敏可减少上传带宽和合规风险，但算力有限；云端脱敏效果更好，但原始数据已离开车辆，需要加密传输和访问审计。

推荐策略是车端做粗脱敏，云端做精脱敏。车端对图像中的人脸和车牌区域进行模糊或马赛克，对GPS坐标做偏移；云端再利用更高精度模型进行二次检测和脱敏，并保留脱敏日志。脱敏后的数据仍需保留原始数据的哈希索引，以便在合规审计时证明数据来源和脱敏过程。

四、触发式采集与全量采集策略

全量采集指车辆在所有运行时段持续记录所有传感器数据，优点是数据完整、可回溯，缺点是存储和上传成本极高。触发式采集则只在特定事件发生时保存前后一段时间的数据，例如急刹车、接管、碰撞、近距离cut-in、施工区等。两者并非互斥，而是按比例组合。

典型策略是“全量低帧率+触发高帧率”：日常以低帧率、低分辨率保存全量数据用于统计和长尾挖掘；当触发条件满足时，自动切换到高帧率、全传感器原始数据保存，并标记事件类型。触发条件需要可配置、可版本化，避免因阈值调整导致数据分布漂移。

五、案例与复盘：一次漏采引发的迭代延迟

某Robotaxi团队在夜间雨天场景中频繁出现误制动，但回传数据中却找不到对应片段。复盘发现：触发条件只配置了“急刹车”和“接管”，而误制动发生时安全员并未接管，车辆也未达到急刹车阈值，导致数据未被保存。团队随后增加了“纵向减速度异常”“感知置信度骤降”“雨刷高频动作”等软触发条件，并将触发前后窗口从5秒扩展到15秒。调整后，同类场景的捕获率从不足20%提升到85%以上。

总结来看，Robotaxi数据采集体系需要在架构上做到“采集与主链路解耦”，在同步上做到“硬件优先、软件兜底”，在脱敏上做到“车端粗脱敏、云端精脱敏”，在策略上做到“全量保底、触发提效”。只有这四者协同，才能让数据闭环真正跑起来，而不是被存储成本和合规风险拖垮。